抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
このPhD論文は,過去10年間,量子コンピューティングと機械学習の2つの最も興味深い研究分野の2つを結合した。完全量子学習タスク用に設計した散逸量子ニューラルネットワーク(DQNN)を導入し,普遍的量子計算が可能であり,訓練中のメモリ要求が低い。これらのネットワークを,入力と所望の出力状態の形式で訓練データ対で最適化し,従って,未知または非構造化量子デバイスの特性化に使用できる。古典的シミュレーションを用いたDQNNの一般化挙動を実証するだけでなく,実際の量子コンピュータ上でもうまく実装する。そのような量子機械学習法に対する極限限界を理解するために,量子デバイスがユニタリープロセスとしてモデル化され,量子事例で最適化できる確率に関する結合を記述する量子フリー昼食定理を議論し,ランダム入力に対して不正確な出力を与えた。さらに,2方向におけるDQNNの応用領域を拡大した。最初の事例では,量子デバイスが常に構造化されているので,訓練データ対のみを超える追加情報を含む。訓練データペアのグラフ構造に関する知識が訓練プロセスに含まれるようにDQNNの訓練アルゴリズムを修正し,これがより良い一般化挙動につながることを示した。元のDQNNとグラフ構造を含むDQNNの両者をデータ対で訓練し,基礎となる関係を特性化した。しかし,アルゴリズムの2番目の拡張において,量子状態の集合の特性を学習し,類似の特性を有する量子状態に拡張した。したがって,著者らは,発電機と弁別器と呼ばれる2つのDQNNが競合方法で訓練される,生成敵対的モデルを構築する。【JST・京大機械翻訳】
